Tilbake til søkeresultatene

ENERGIX-Stort program energi

New Machine Learning Algorithms for the Calculation of Water Values

Alternativ tittel: Nye maskinlæringsalgoritmer for beregning av vannverdier

Tildelt: kr 4,2 mill.

I alle kraftmarkeder er den beste – eller optimale – bruken av de tilgjengelige generasjons- og lagringsressursene avgjørende for å oppnå de beste resultatene for både aktører i markedet og samfunnet som helhet. I hydrodominerte markeder, som det nordiske markedet, er denne optimaliseringen spesielt utfordrende, da vann kan lagres fra en periode til en annen. Vann som brukes i dag kan ikke brukes i morgen; motsatt generasjon (bruk av vann) i dag muliggjør bruk i morgen. For å finne ut hva som er optimal bruk av generasjonsressurser i dag, må vi dermed ta hensyn til den sannsynlige beste bruken av generasjonsressurser i de kommende dagene, månedene og årene. Over mange tiår har industrien utviklet konseptet "vannverdier" som grunnlag for å gjennomføre denne optimaliseringen. Et reservoars vannverdi er definert som den sannsynlige fordelen (f.eks. markedsinntekter, lavere kostnader) ved å holde vannet i lagring og lagre det for å generere strøm på et tidspunkt i fremtiden. Enkelt sagt, hvis vannverdien er høyere enn fordelen ved å bruke vannet nå, er det optimalt å holde det i lagring, og hvis det ikke er det, bør vannet brukes nå til å generere strøm. Det er et klart behov for nøyaktig, tidsriktig beregning av vannverdier for et velfungerende strømsystem. Dagens metoder klarer imidlertid ikke dette. De tar begge lang tid å beregne og er altfor forenklede. Prosjektet vårt fokuserte på å utvikle nye maskinlæringsmodeller (ML) for å beregne vannverdier, basert på nyere generative AI-utviklinger (spesifikt forsterkning og motstridende læring). Prosjektet vårt besto av tre deler: den første, en undersøkende komponent for å undersøke RL og relatert litteratur og algoritmer, for å bestemme vår brede angrepsplan for prosjektet vårt; den andre for å iterativt bygge og teste kandidatalgoritmer; og den tredje for å teste og vurdere kandidatene mot virkelige vannverdiberegninger. Etter del én utviklet og testet vi en 4 alternative algoritme "familier", før vi valgte den best presterende forsterkningstilnærmingen for å teste mot virkelige driften av to vannkraftverk i perioden 2014-2020. Algoritmene overgikk den faktiske driften av de to vannkraftverkene i løpet av perioden, målt over inntekts- samt andre operasjonellebenchmarks. For å følge opp dette arbeidet planlegges det å søke om tilleggsmidler for å videreutvikle den valgte algoritmen til et prototypeverktøy for optimalisering av beslutninger om vannproduksjon og lagring-frigjøring, og for å teste dette i et realistisk miljø.

Outcomes: The project has developed several candidate algorithms for water value calculation and operation (that is, production scheduling), using machine learning/reinforcement learning. These algorithms have been tested against actual operation of hydro plants over a 7 year test period, and have outperformed actual operational results on a set of income and operational benchmarks. The developed methods are planned to be extended in a further pilot innovation project, and is expected to ultimately lead to commercial operational software. For Optimeering, this end result (commercial software) will represent a new commercial product, that will be sold to hydro power producers and other storage providers in the Nordics and other power markets. For Lyse and other power producers, this is a promising alternative to existing methods for hydro storage water value calculation and operation, and a successful commercial product can lead to improved hydro asset operations. For Statnett, TSOs and regulators the project will result in improved operational decisions, lower costs, and improved grid investment decisions. The project has in addition contributed to competence building within the all participants’ R&D environments on machine learning and will lead to the further application of these techniques to other application areas in their business activities. Impact: The project will provide socio-economic benefits to consumers and producers by directly enabling more optimal valuation and operation of hydropower and other storage technologies (e.g. batteries), and help make the transition to power systems with more renewable production possible, both nationally and internationally.

In power markets featuring hydro generation such as the Nordic market, the optimal use of the available hydro power resource is essential to a well-functioning power system, in order to achieve desired environmental goals and to maximise the socio-economic benefit of the power system. Over many decades the industry has developed the concept of “water values” as the basis for conducting this optimisation. A reservoir’s water value is defined as the marginal expected benefit (e.g. market income, lower costs) of keeping the water in storage and saving it to generate electricity or provide power system services at some point in the future. Put simply, if the water value is higher than the benefit of using the water now it is optimal to keep it in storage, and if it is not the water should be used now. All actors - producers, grid operators, regulators, use and calculate water values to make bidding, operational and investment decisions. The methods used today to calculate these suffer from known computational limitations that reduce their accuracy and increase time-to-solve. The increase in renewable generation and market complexity (e.g. via new reserve markets) additionally challenge existing methods. There is an unmet need in the power industry for better methods to calculate water values that better capture realistic market, geographical and time detail, a full range of uncertainties and their impact, and can calculate these quickly. Our proposed project will research and develop innovative machine learning (ML) models to calculate water values for use in both operative applications and market simulation models. Our approach will build on recent developments in reinforcement and adversarial learning, to develop a system that “learns” how to optimally value (operate) storage hydro, and that uses the computational advantages of machine learning to do so at an increased level of detail and accuracy.

Budsjettformål:

ENERGIX-Stort program energi